Een team van wiskundigen heeft met een kunstmatig intelligent systeem een wiskundeprobleem opgelost waar al ruim 90 jaar aan werd gewerkt. Het resultaat is deze week openbaar gemaakt in een wetenschappelijke publicatie. De doorbraak draait om een lastig vraagstuk in de pure wiskunde, dat met klassieke methoden onhanteerbaar bleef. Het AI-systeem vond een geldige aanpak die door mensen is gecontroleerd en bevestigd.
AI vult ontbrekende stappen
Het onderzoeksteam trainde een algoritme om miljoenen mogelijke redeneringen te verkennen en daaruit veelbelovende bouwstenen te selecteren. Zoān systeem zoekt niet āhet antwoordā in Ć©Ć©n keer, maar stelt een keten van kleine, controleerbare stappen samen. Deze methode lijkt op hoe programmeurs zoekalgoritmen optimaliseren, maar wordt hier toegepast op bewijzen in de wiskunde.
De gekozen aanpak lijkt op eerdere projecten zoals AlphaGeometry van Google DeepMind, dat automatisch meetkundige bewijzen opstelt. Het nieuwe onderzoek richt zich echter op een open probleem dat veel ouder en moeilijker is. Daardoor moest het model leren om lange, samenhangende redeneerlijnen te bouwen zonder vast te lopen in zijpaden.
Cruciaal is dat de AI niet alleen zoekt, maar ook haar eigen tussenstappen test via snelle controles. Dat beperkt het aantal foutieve paden en maakt het mogelijk om binnen redelijke rekentijd een bruikbare route te vinden. De gevonden structuur vormde de basis voor het uiteindelijke, door mensen opgeschreven bewijs.
Menselijke controle blijft nodig
Na de vondst door het algoritme is het bewijs door onafhankelijke wiskundigen nagelopen. Dat is standaard, want een AI kan patronen ontdekken, maar de geldigheid moet formeel vaststaan. In sommige delen is het bewijs opnieuw geformuleerd zodat elk detail helder is voor vakgenoten.
Voor extra zekerheid is een deel van de redenering in een zogenoemde proof assistant gezet, software die elke stap automatisch controleert. Veelgebruikte systemen zijn Lean en Isabelle/HOL, die wiskundige logica strikt naleven. Daarmee verklein je de kans op subtiele fouten die in lange bewijzen kunnen sluipen.
Deze werkverdeling ā AI voor het verkennen, mensen en formele tools voor de validatie ā sluit aan bij een bredere trend. Ook bij eerdere successen, zoals AlphaTensor voor snellere matrixvermenigvuldiging, bleek menselijke toetsing doorslaggevend. Het maakt het eindresultaat navolgbaar en herhaalbaar, wat essentieel is voor acceptatie in de wiskunde.
Wat dit verandert
De aanpak laat zien dat algoritmen nu ook in zeer abstracte domeinen bruikbaar zijn. Waar brute rekenkracht alleen tekortschiet, helpt een model om de zoekruimte slim te beperken. Dat vergroot de kans op nieuwe doorbraken, ook bij andere open problemen waar de structuur al decennia ongrijpbaar is.
Voor Europa is dat relevant, omdat veel fundamentele innovaties beginnen bij wiskundige inzichten. Denk aan optimalisatie in logistiek, cryptografie en veilig dataverkeer. Een snellere route naar nieuwe ideeƫn kan onderzoek en industrie in de EU concreet versnellen.
Er zijn ook grenzen. Een door AI gesuggereerde richting is niet automatisch een algemeen toepasbare theorie. Pas na grondige toetsing ā inclusief pogingen om tegenvoorbeelden te vinden ā groeit een vondst uit tot breed geaccepteerde kennis.
Europese regels en wetenschap
De Europese AI-verordening (AI Act) ziet onderzoeksmodellen doorgaans als laag tot middelgroot risico, zolang ze niet direct in producten of publieke diensten worden ingezet. Transparantie-eisen blijven wel gelden, zoals documentatie over trainingsdata en beperkingen. Dat helpt andere onderzoekers om resultaten te controleren en te herhalen.
In dit soort wiskundige projecten spelen persoonsgegevens vrijwel geen rol, dus de AVG is hier beperkt van toepassing. Belangrijker zijn reproductie, open data en duurzame rekeninfrastructuur. Universiteiten en HPC-centra in de EU kunnen hier samenwerken om rekentijd en tooling eerlijk te verdelen.
Nederlandse instellingen als CWI, NWO en SURF kunnen deze lijn versterken met open publicaties en toegang tot proof assistants. Zo ontstaat een gemeenschap waarin AI-gegenereerde bewijzen snel en zorgvuldig getoetst worden. Dat verkleint ook de afhankelijkheid van gesloten, commerciƫle modellen.
Onderwijs en Nederlandse praktijk
Voor het hoger onderwijs is de les helder: leg de nadruk op begrip, structuur en validatie. Studenten kunnen AI gebruiken om ideeƫn te verkennen, maar moeten elk argument zelf kunnen uitleggen. Toetsen kunnen dit borgen met nadruk op tussenstappen en formele definities.
Nederlandse universiteiten werken al met tools als Lean in honours- en mastervakken. Door het nieuwe resultaat groeit de prikkel om zulke software breder te introduceren. Dat maakt studenten vaardiger in precies redeneren, met of zonder hulp van AI.
Ook buiten de academie kan de aanpak doorwerken. Optimalisatie in energie, spoor en zorgplanning draait vaak om wiskundige structuren. Sneller beter redeneren over zulke structuren kan leiden tot efficiƫntere diensten en lagere kosten.
Techniek kort uitgelegd
Het gebruikte AI-systeem combineert zoekalgoritmen met een scoringsmodel. Dat model schat in welke volgende stap kansrijk is op basis van eerder geleerde patronen. Zo ontstaat een soort ānavigatieā door een enorme ruimte van mogelijke bewijzen.
De rekenlast zit niet alleen in het zoeken, maar ook in het filteren van doodlopende paden. Daarom worden heuristieken ingezet: vuistregels die de zoekrichting bijsturen. Het resultaat is geen Ć©Ć©n-op-Ć©Ć©n kopie van menselijk denken, maar wel een bruikbare schets die mensen kunnen afronden.
Formele verificatie controleert elk bewijsstapje apart, zodat een lang en complex bewijs toch volledig machine-checkbaar is.
Wanneer de menselijke en formele controles slagen, groeit de zekerheid dat het bewijs klopt. Daarna kan de community het resultaat opbouwen tot nieuwe theorie. Zo krijgt een doorbraak blijvende waarde.